Triple-Factorized attention framework with dynamic adaptive windowing for premature contraction classification

ينبض قلب الإنسان بإيقاع يكون عادةً منتظماً، ولكنه أيضاً نظام ديناميكي قادر على حدوث تغيرات مفاجئة وعابرة. ومن بين أكثر هذه التغيرات شيوعاً هي الانقباضات المبكرة، حيث يتخطى القلب نبضة أو يطلق نبضة في وقت مبكر جداً. هذه الأحداث، المعروفة باسم الانقباضات الأذينية المبكرة والانقباضات البطينية المبكرة، يمكن أن تكون غير ضارة، ولكنها أيضاً علامات تحذيرية لحالات أكثر خطورة مثل السكتة الدماغية أو فشل القلب. ويكمكن التحدي الذي يواجه الأطباء في أن هذه الاضطرابات غالباً ما تكون وجيزة وخفية، وتختبئ داخل الإشارات الكهربائية المعقدة لتخطيط كهرباء القلب، أو ما يعرف بـ ECG. وتعتمد الطرق التقليدية في قراءة هذه الإشارات على خبراء بشريين يبحثون عن أشكال محددة في الموجة، وهي عملية بطيئة، ومعرضة للخطأ، ويصعب توسيع نطاقها لتشمل ملايين أجهزة مراقبة القلب المستخدمة اليوم. وبينما بدأت الحواسيب في المساعدة، فإن العديد من الأنظمة الحالية تعاني لأنها تعامل إشارات القلب كأنها سلسلة من اللقطات الثابتة، مما يفقدها السياق الانسيابي لكيفية تأثير نبضة على النبضة التي تليها.

ولحل هذه المشكلة، طور الباحثون نظاماً جديداً يسمى HRDAWNet، صُمم للاستماع إلى إيقاع القلب بالطريقة التي يفعلها الخبير البشري: من خلال فهم القصة وراء النبضات بدلاً من مجرد شكل موجة واحدة. وقد بُني هذا النظام لمعالجة نقطتي ضعف محددتين في التكنولوجيا الحالية. أولاً، غالباً ما كانت الطرق القديمة تحلل القنوات الكهربائية للقلب، وتوقيت النبضات، والشكل الفيزيائي للموجة كأنها حقائق منفصلة وغير مرتبطة. ثانياً، كانت عادةً تنظر إلى تاريخ ثابت وغير متغير، مثل كاميرا ذات عدسة زووم ثابتة لا يمكنها التعديل لترى ما إذا كان هناك نمط ناشئ عبر فترة زمنية أطول أو أقصر. ويستبدل النظام الجديد هذه المنهجيات الجامدة بإطار عمل مرن يتعلم كيفية وزن أهمية نبضات القلب الماضية بشكل ديناميكي.

ويكمن جوهر هذا الابتكار في آلية يسميها الباحثون "الانتباه ثلاثي العوامل" (Triple-Factorized Attention). فبدلاً من معالجة البيانات الكهربائية للقلب في صوامع معزولة، يأخذ هذا النظام في الاعتبار ثلاثة أبعاد في آن واحد: القناة الكهربائية المحددة، والشكل المكاني للموجة، وتوقيت الإيقاع. إنه يعامل هذه العناصر ككل متصل، مما يسمح للحاسوب برؤية كيف يؤثر التغيير في منطقة ما على المناطق الأخرى. تخيل قائد أوركسترا يستمع إلى الأوركسترا؛ فهو لا يسمع الكمانات أو الطبول بمعزل عن بعضها البعض فحسب، بل يفهم كيف يدعم توقيت الطبول لحن الكمانات. وبالمثل، يتعلم هذا النظام العلاقات المعقدة بين أجزاء مختلفة من إشارة القلب، ملتقطاً التفاعلات الدقيقة التي تحدد الانقباض المبكر.

وللتعامل مع الطبيعة المتغيرة لنبضات القلب هذه، يستخدم النظام أيضاً "نافذة تكيفية ديناميكية" (Dynamic Adaptive Window). في الماضي، كانت الحواسيب التي تحلل إيقاعات القلب تنظر إلى عدد ثابت من النبضات السابقة، بغض النظر عما إذا كان هذا التاريخ مفيداً أم لا. ومع ذلك، يتعلم هذا النظام الجديد تقييم مدى صلة كل نبضة سابقة. يمكنه اختيار التركيز بعمق على النبضات القليلة التي سبقت الإيقاع الغريب مباشرة إذا كان الدليل يكمن هناك، أو يمكنه النظر إلى الوراء لفترة أطول إذا كان النمط يتطلب سياقاً أطول. إنه يعمل فعلياً على تصفية ضجيج التاريخ غير ذي الصلة، محتفظاً فقط بالمعلومات التي تساعده على فهم اللحظة الحالية. وهذا يسمح للنموذج بالتكيف مع الأنماط الفريدة والمتغيرة لقلب المريض، بدلاً من إجبار بيانات القلب على التوافق مع قالب ثابت ومحدد مسبقاً.

اختبر الباحثون هذا الإطار الجديد على مجموعتين كبيرتين ومعروفتين من بيانات القلب، إحداهما من تحدٍ في الصين والأخرى من قاعدة بيانات أمريكية عريقة. احتوت هذه المجموعات على عشرات الآلاف من تسجيلات القلب من مرضى متنوعين، بما في ذلك الكثير ممن يعانون من الاضطرابات المحددة التي صُمم النظام لإيجادها. وكانت النتائج مذهلة؛ حيث حقق النظام الجديد دقة بلغت 99.3% في المجموعة الصينية و99.0% في الأمريكية، متفوقاً على الطرق السابقة التي اعتمدت على تقنيات التعلم العميق القديمة. وقد نجح بشكل خاص في تحديد لحظات الانقباضات المبكرة العابرة والصعبة الرصد دون إطلاق إنذارات كاذبة، وهو مطلب بالغ الأهمية للأدوات الطبية.

ولضمان أن النظام لا يقوم بمجرد التخمين بل يتعلم الأشياء الصحيحة بالفعل، استخدم الباحثون تقنية تصور تسلط الضوء على أجزاء إشارة القلب التي كان الحاسوب يركز عليها. فعندما حدد النظام انقباضاً أذينياً مبكراً، أظهر التصور أنه يركز على موجة P المقلوبة، وهي انخفاض صغير ومحدد في الإشارة يعد سمة مميزة لهذه الحالة. وعندما وجد انقباضاً بطينياً مبكراً، حدد بشكل صحيح مركب QRS العريض والمشوه الذي يليه. وقد أكد هذا أن النظام لم يكن يعتمد على ضجيج عشوائي، بل كان يتعرف حقاً على السمات الطبية التي يبحث عنها الأطباء. كما تدرب النموذج بسرعة وظل مستقراً، مما أظهر قدرته على تعلم هذه الأنماط المعقدة دون الارتباك من الاختلافات الطبيعية في نبضات قلب الإنسان.

وبينما يظهر النظام إمكانات كبيرة، يشير المؤلف إلى أنه لا يزال يتطلب مزيداً من الاختبار على بيانات من مستشفيات مختلفة ومع أنواع مختلفة من المعدات لضمان عمله في كل سيناريوهات العالم الحقيقي. كما يقر بأن النظام حالياً أكثر تعقيداً من بعض الأدوات الأبسط، مما قد يجعل تشغيله على الأجهزة الصغيرة التي تعمل بالبطارية أمراً أصعب. ومع ذلك، فإن نجاح هذا النهج يشير إلى مسار جديد للمستقبل في مراقبة القلب. فمن خلال الابتعاد عن القواعد الثابتة والجامدة نحو نظام يمكنه وزن أهمية الأحداث الماضية ديناميكياً وربط أنواع مختلفة من البيانات، يقدم هذا البحث طريقة لاكتشاف إيقاعات القلب الخطيرة بمستوى من الدقة والموثوقية كان بعيد المنال في السابق.